[发明专利]基于模糊粗糙集的证据理论城市交通流信息融合方法

权利要求书

1.一种基于模糊粗糙集的证据理论城市交通流信息融合方法，其特征在于：所述城市交通流信息融合方法包括以下步骤：

1)、利用粗糙集的属性约简和核理论对交通数据进行预处理，所述预处理包括以下步骤：

(1.1)、按历史数据和传感器特性生成各个交通流参数的转换函数，构成函数向量f=(fAflu,fBocp,fCspe,fDseq,fEtim,fFdur,E);]]>向量分量表示从采集到的交通量到有限等级量的映射；

(1.2)、将设定时间段采集到的交通流数据集合X={xi|xi=(Aflui,Bocpi,Cspei,Dseqi,Etimi,FduriKi),i∈[0,n]}]]>做映射f(X)＝Y；Y={yi|yi=(Aflui^,Bocpi^,Cspei^,Dseqi^,Etimi^,Fduri^,Ki^),i∈[0,n]},]]>其中y_i的各个分量均取有限整数；取条件属性C＝(A_flu，B_ocp，C_spe，D_seq，E_tim，F_dur)，决策属性为D＝K，构成决策表：

P=y1...yi...yn=1Aflu1^Bocp1^Cspe1^Dseq1^Etim1^Fdur1^K1^........................iAflui^Bocpi^Cspei^Dseqi^Etimi^Fduri^Ki^........................nAflun^Bocpn^Cspen^Dseqn^Etimn^Fdurn^Kn^;]]>

(1.3)、在条件属性集C中任取某一属性作为属性约简集合R的初始元素，设为R＝{A_flu}；

(1.4)、对条件属性C中任取一个属性a∈C∧aR，计算重要性程度SGF(a，R，D)，若a′∈C，s.t.SGF(a′，R，D)＝max({SGF(a，R，D)|a∈C})，则a′为所要求的集合，记R＝R∪{a′}；

(1.5)、对刚入选的属性a′，计算其与R中已有元素的属性依赖度k，即b∈R，k=r(a′,b)=card(POSIND(a′)IND(b))card(U)=|POSIND(a′)IND(b)||U|,]]>把和属性a′具有最大依赖度的属性b从约简集合R中暂时删除，记为R′，重新计算b的重要性程度SGF(b，R′，D)，若与SGF(a，R，D)差别小于事先给定的阈值δ，则不剔除属性b；

(1.6)、计算γ_R(D)，如果γ_R(D)＝γ_C(D)，则R为满足条件的约简属性，否则返回(1.4)；

2)、将预处理后的各个交通流参数作为单独的证据，利用模糊隶属度法求解各组证据的基本概率函数，包括以下步骤：

(2.1)、X代表感应线圈所检测的交通流参数，Y代表视频所检测的交通流参数，Z代表OD分析所获取的交通流参数；取辨识框架Θ＝{X，Y，Z}和经过属性约简的传感器检测数据集合，记为Q=t11···ti1t12···ti2t13···ti3(i∈[1,6]),]]>t_ij表示标记由感应线圈(j＝1)，视频检测(j＝2)，OD分析(j＝3)所采集的第i个交通流参数所对应的模糊隶属度函数；历史数据所获得的基准交通流数据，记为S=(t1‾,t2‾,···,ti‾)(i∈[1,6]);]]>其中都为标记为相应属性的模糊隶属度函数；

(2.2)、做矩阵运算Q·S，矩阵乘定义为两个模糊隶属度函数之间的模糊似然运算，即M=Q·S=ρ(t11,t1‾)···ρ(ti1,ti‾)ρ(t12,t1‾)···ρ(ti2,ti‾)ρ(t13,t1‾)···ρ(ti3,ti‾)3×i(i∈[1,6]);]]>

(2.3)、对M中的元素按列求出每组证据的基本概率函数，即对每组相似度进行归一化处理；记为M‾={(mi1,mi2,mi3,mi4)|i∈[1,6]},]]>其中mij=ρ(tij,ti‾)(ρ(ti1,ti‾)+ρ(ti2,ti‾)+ρ(ti3,ti‾)+ρi(Θ)),]]>mi4=ρi(Θ)(ρ(ti1,ti‾)+ρ(ti2,ti‾)+ρ(ti3,ti‾)+ρi(Θ)),]]>ρi(Θ)=1-max(ρ(ti1,ti‾),ρ(ti2,ti‾),ρ(ti3,ti‾)),]]>i∈[1，6]，j∈[1，3]，分别表示第i组证据的关于感应线圈、视频检测、OD分析以及不确定性的基本概率函数；

3)、基于改进的D-S证据理论合成公式对各组证据的基本概率函数进行融合，所述融合步骤包括：

(3.1)、建立D-S证据合成公式如下：

证据m_i与m_j之间可信度ϵij=e-kij,]]>表征两证据间冲突的大小，ε_ij是其减函数；

证据m_i与其它证据的平均可信度为α_i：αi=1n-1Σj=1j≠inϵij;]]>其归一化权值βi=αiα1+α2+···+αn.]]>

D-S证据合成公式为：

①m()＝0；

②m(A)＝p(A)+k*q(A)，A≠，X

③m(X)=p(X)+k*q(X)+k*Πi=1j≤in(1-ϵij)]]>

上式中，p(A)=ΣAi∈Fi∩i=1nAi=Am1(A1)m2(A2)···mn(An),]]>q(A)=Σi=1nβi*mi(A);]]>

所述合成公式m(A)满足条件：

1)m()＝0  2)0≤m(A)≤1  3)ΣA⋐Xm(A)=1]]>

m(A)为基本概率函数；

(3.2)、将感应线圈、视频检测、OD分析以及不确定性的基本概率函数分别代入D-S证据合成公式进行融合运算，得到交通流的融合数据包括车流量、车道占有率、平均车速、排队长度、等待时间、路段平均行驶时间以及采集的传感器类型，记为向量x＝(A_flu，B_ocp，C_spe，D_seq，E_tim，F_dur，K)。